@MASTERSTHESIS{ 2019:1146847169,
 	title = {Desenvolvimento de uma gramática para construção automática de arquiteturas de deep learning aplicado à classificação de imagens dermatoscópicas},
 	year = {2019},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8558",
 	abstract = "O melanoma é um tumor maligno originário nas células produtoras de pigmentos naturais da pele, a melanina. Causado pela produção excessiva da melanina, costuma ter forma de lesões pigmentadas sobre a pele. Trata-se de um dos mais perigosos tipos de câncer de pele. O número crescente de incidentes e causas de mortes fez com que surgisse uma maior busca por soluções de detecção da doença especialmente em seus estágios iniciais, onde ela frequentemente se mostra falha, principalmente quando o profissional que analisa a lesão não é experiente. Por essa razão, é de grande importância o uso de ferramentas computacionais para o auxílio na análise das lesões, de forma que os resultados se tornem mais precisos e confiáveis, viabilizando, assim, a correta identificação do tumor. Outro aspecto importante é a democratização do diagnóstico disponibilizando conhecimento anteriormente limitado a especialistas. O deep learning é uma área de pesquisa em alta nos últimos anos devido à sua aplicação bem-sucedida em diversos domínios, como visão computacional e reconhecimento de imagem. Sua técnica mais proeminente é a rede neural convolutiva, que permite a rede o aprendizado de representações automaticamente. No entanto, a técnica tem algumas limitações, projetar essas redes não é uma tarefa fácil e o domínio requer bastante conhecimento. Neste trabalho, apresentamos o uso do algoritmo genético associado à programação genética baseada em gramática para otimizar arquiteturas de redes neurais convolutivas. É apresentada uma gramática capaz de explorar o espaço de busca do problema de forma a viabilizar a criação de indivíduos válidos capazes de serem qualitativamente analisados. Para avaliação da abordagem proposta, foi utilizado um conjunto de imagens do International Skin Imaging Collaboration (ISIC) durante a validação da evolução das arquiteturas produzidas, usando a métrica da
 acurácia para avaliar o desempenho de classificação no conjunto de dados de teste. Os resultados demonstram que o método usando programação genética baseada em gramática pode facilmente produzir arquiteturas CNN otimizadas que são competitivas e alcançam resultados de alta precisão, se mostrando superior em comparação com técnicas do estado da arte.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Informática Aplicada},
 	note = {Departamento de Estatística e Informática}
}